CN102713777B - 诊断装置及诊断方法 - Google Patents
诊断装置及诊断方法 Download PDFInfo
- Publication number
- CN102713777B CN102713777B CN201080061856.XA CN201080061856A CN102713777B CN 102713777 B CN102713777 B CN 102713777B CN 201080061856 A CN201080061856 A CN 201080061856A CN 102713777 B CN102713777 B CN 102713777B
- Authority
- CN
- China
- Prior art keywords
- mentioned
- classification
- data
- diagnostic
- data items
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种诊断装置及诊断方法,自动提取与诊断对象的异常事态有关系的数据项目。包括:第一工序,从保存诊断对象的测量信号数据库中提取为了对诊断对象的状态进行诊断而使用的诊断信号;第二工序,将诊断信号分类为类别;第三工序,在最新的诊断信号不属于上述类别的情况下,产生与上述类别不同的新类别来进行分类;第四工序,提取成为产生新类别的原因的数据项目;以及第五工序,提取与上述数据项目具有密切的关联数据项目。
Description
技术领域
本发明涉及诊断装置及诊断方法。
背景技术
设备(plant)的诊断装置在设备产生异常的过渡事态或事故等时,以来自设备的测量数据为基础来检测该异常或事故的产生。
在专利文献1中,公开了使用自适应共振理论(Adaptive ResonanceTheory:ART)的诊断装置。
使用ART的诊断装置具有按照多维数据的类似度来将该多维数据分类为类别(category)的功能。
在专利文献1的技术中,首先,使用ART,将正常时的测量数据分类为多个类别(正常类别)。接着,使用ART将当前的测量数据分类为类别。在不能将该测量数据分类为正常类别时,生成新的类别(新类别)。最后,在新类别的产生率超过阈值的情况下诊断为异常。
在先专利文献
专利文献
专利文献1:JP特开2005-165375号公报
发明内容
发明要解决的课题
在设备等(诊断对象)中产生了异常的情况下,运转人员(操作员)为了准确应对,而基于测量数据来推定其原因。例如,在火力发电设备中,由于测量数百~数千的数据,因此在提取与异常事态有关系的数据的作业中需要时间。
本发明的目的在于自动提取与诊断对象的异常事态有关系的数据项目。
用于解决课题的手段
本发明的诊断装置包括:测量信号数据库,其保存诊断对象的测量信号;处理数据提取部,其从上述测量信号数据库中提取为了对上述诊断对象的状态进行诊断而使用的诊断信号;基准信号数据库,其保存上述诊断信号;分类部,其将保存在上述基准信号数据库中的数据分类为类别;分类结果数据库,其将上述类别作为正常类别而保存;诊断部,其在由上述处理数据提取部提取出的最新的上述诊断信号不属于保存在上述分类结果数据库中的上述正常类别的情况下,产生与上述类别不同的新类别来进行分类;以及诊断结果数据库,其保存由上述诊断部分类而得到的分类结果。并且,特征在于,具有诊断结果可视化部,该诊断结果可视化部作成用于将产生上述新类别的原因进行可视化的诊断结果显示信息,上述诊断结果可视化部包括原因项目提取部,该原因项目提取部提取作为上述原因的数据项目。
发明效果
根据本发明,能够自动提取与设备等的异常事态有关系的数据项目,并能够缩短推定异常事态的原因的时间。
此外,根据本发明,即使是不熟练的运转人员,也能够立即判断在设备等中产生了异常的情况下应当确认的数据项目。
附图说明
图1是表示实施例的诊断装置的方框图。
图2A是表示实施例的诊断装置的正常状态学习模式中的基本动作的流程图。
图2B是表示实施例的诊断装置的诊断模式中的基本动作的流程图。
图3A是表示执行实施例的诊断装置的正常状态学习模式以及诊断模式的流程图的定时的方框图。
图3B是表示执行实施例的诊断装置的正常状态学习模式以及诊断模式的流程图的定时的方框图。
图3C是表示执行实施例的诊断装置的正常状态学习模式以及诊断模式的流程图的定时的方框图。
图4A是表示图1的分类部500以及诊断部600的实施例的方框图。
图4B是表示图4A的实施例的分类结果的图表。
图5A是表示保存在测量信号数据库中的数据的样式的显示画面。
图5B是表示保存在基准信号数据库中的数据的样式的显示画面。
图5C是表示保存在分类结果数据库中的数据的样式的显示画面。
图5D是表示保存在分类结果数据库中的数据的样式的显示画面。
图6A是表示实施例的火力发电设备的方框图。
图6B是表示从图6A的火力发电设备得到的测量信号由于产生异常而发生了变化的情况的图表。
图7是表示实施例的诊断结果可视化的基本动作的流程图。
图8A是表示原因项目提取部中的正常类别和新类别之间的关系的图表。
图8B是表示实施例中的测量位置和测量值之间的关系的图表。
图8C是表示测量位置和补正系数之间的关系的一例的图表。
图8D是表示作为数据项目的燃料使用量和火力发电机的发电量之间的关系的图表。
图8E是表示作为数据项目的燃烧器的温度和火力发电机的发电量之间的关系的图表。
图9A是表示项目间的控制逻辑的例子的方框线图。
图9B是表示各项目的配置的例子的***图。
图10A是表示贡献度的例子的图像显示装置的显示画面。
图10B是表示贡献度的例子的图像显示装置的显示画面。
图10C是表示提取出的关联项目的例子的图像显示装置的显示画面。
具体实施方式
以下,公开一种检测本发明的一实施方式涉及的设备等的设施的异常的诊断装置及诊断方法、以及用于使计算机执行诊断步骤的程序及记录该程序的计算机可读取记录介质。
上述诊断装置包括:测量信号数据库,其保存诊断对象的测量信号;处理数据提取部,其从测量信号数据库中提取为了对诊断对象的状态进行诊断而使用的诊断信号;基准信号数据库,其保存诊断信号;分类部,其将保存在基准信号数据库中的数据分类为类别;分类结果数据库,其将上述类别作为正常类别而保存;诊断部,其在由处理数据提取部提取出的最新的诊断信号不属于保存在分类结果数据库中的正常类别的情况下,产生与上述类别不同的新类别来进行分类;诊断结果数据库,其保存由诊断部分类而得到的分类结果;以及警报产生部,其使用诊断结果数据库和正常类别的信息,在新类别的生成频率超过阈值的情况下产生警报。并且,具有诊断结果可视化部,该诊断结果可视化部作成用于将产生新类别的原因进行可视化的诊断结果显示信息,诊断结果可视化部包括原因项目提取部,该原因项目提取部提取作为上述原因的数据项目。
上述诊断装置还包括:控制逻辑数据库,其保存用于控制诊断对象的控制逻辑信息;以及设计信息数据库,其保存诊断对象的设计信息,诊断结果可视化部包括:原因项目提取部;以及关联项目提取部,其从控制逻辑数据库或设计信息数据库中提取与上述数据项目具有密切的关联的关联数据项目。
在上述诊断装置中,原因项目提取部,计算正常类别与分类为新类别的数据之间的类似度,将类似度最大的正常类别作为类似度最大类别来提取,使用类似度最大类别和分类为新类别的数据来计算各自的上述数据项目的距离,以作为对新类别的产生的贡献度,并将贡献度比阈值高的上述数据项目作为原因数据项目来提取。
在上述诊断装置中,原因项目提取部具有进行补正的功能,该补正对所产生的异常事态由于传递现象而传播的情况下的上游侧的测量位置上的上述数据项目或关联数据项目增大贡献度。
上述诊断装置还包括图像显示部,图像显示部能够显示上述数据项目和贡献度之间的关系。
在上述诊断装置中,图像显示部能够显示按照构成诊断对象的每个要素机器将上述数据项目的贡献度相加而得到的结果。
上述诊断方法包括:第一工序,从保存诊断对象的测量信号的测量信号数据库中提取为了对诊断对象的状态进行诊断而使用的诊断信号;第二工序,将诊断信号分类为类别;第三工序,在最新的诊断信号不属于上述类别的情况下,产生与上述类别不同的新类别来进行分类;第四工序,提取成为产生新类别的原因的数据项目;以及第五工序,提取与上述数据项目具有密切的关联的关联数据项目。
上述诊断方法重复进行第一工序至第五工序。
上述程序用于使计算机执行以下步骤:第一步骤,从保存诊断对象的测量信号的测量信号数据库中提取为了对诊断对象的状态进行诊断而使用的诊断信号;第二步骤,将诊断信号分类为类别;第三步骤,在最新的诊断信号不属于上述类别的情况下,产生与上述类别不同的新类别来进行分类;第四步骤,提取成为产生新类别的原因的数据项目;以及第五步骤,提取与上述数据项目具有密切的关联的关联数据项目。
上述程序用于使计算机执行如下步骤,即重复进行第一步骤至第五步骤。
上述记录介质是记录有用于使计算机执行以下步骤的程序的计算机能读取的介质:第一步骤,从保存诊断对象的测量信号的测量信号数据库中提取为了对诊断对象的状态进行诊断而使用的诊断信号;第二步骤,将诊断信号分类为类别;第三步骤,在最新的诊断信号不属于上述类别的情况下,产生与上述类别不同的新类别来进行分类;第四步骤,提取成为产生新类别的原因的数据项目;以及第五步骤,提取与上述数据项目具有密切的关联的关联数据项目。
上述记录介质是记录有用于使计算机执行如下步骤的程序的计算机能读取的介质,即重复进行第一步骤至第五步骤。
以下,使用附图说明本实施方式中的具体实施例。
实施例
图1是表示实施例的诊断装置的方框图。
在本图中,通过设备诊断装置200来诊断设备100的状态。
诊断装置200包括处理数据提取部400、分类部500、诊断部600、警报产生部700、以及诊断结果可视化部800来作为运算装置。此外,诊断装置200还包括测量信号数据库310、基准信号数据库320、分类结果数据库330、诊断结果数据库340、控制逻辑数据库350、以及设计信息数据库360来作为数据库。另外,在本图中,将数据库简记为DB。这里所说的数据库是诊断装置200的构成要素,但是记录在各个数据库中的信息是被电子化的信息,通常被称为电子文件(电子数据)。
此外,诊断装置200包括外部输入接口210以及外部输出接口220作为与外部的接口。并且,经由外部输入接口210向诊断装置200输入包含对设备100的各种状态量进行测量而得到的值在内的测量信号1、以及通过包括键盘910以及鼠标920在内的外部输入装置900的操作而作成的外部输入信号2。此外,经由外部输出接口220从诊断装置200向图像显示装置950(图像显示部)输出图像显示信息17。
经由外部输入接口210输入的测量信号3保存在测量信号数据库310中。
在处理数据提取部400中,从保存在测量信号数据库310中的测量信号5中提取在诊断中使用的诊断信号6,并将其保存在基准信号数据库320中。在基准信号数据库320中保存由操作员判定为正常的期间的测量信号。
分类部500将基准信号7分类为类别。分类结果9保存在分类结果数据库330中。后面使用图4A以及4B来说明分类部500的处理内容。
在诊断部600中,在由处理数据提取部400提取出的最新的诊断信号6属于分类结果数据库330的情况下,将诊断信号6分类为该类别。另一方面,对由处理数据提取部400提取出的最新的诊断信号6、和保存在分类结果数据库330中的分类结果10进行比较,在不属于保存在分类结果数据库330中的类别的情况下,产生新的类别(以下,记载为新类别)。作为由诊断部600作成的分类结果的诊断结果12保存在诊断结果数据库340中。另外,后面使用图4A以及4B来说明诊断部600的处理内容。
在警报产生部700中,使用保存在诊断结果数据库340中的诊断结果13、保存在分类结果数据库330中的分类结果14、以及保存在测量信号数据库310中的最新的时刻的测量信号4来判定是否产生警报。
警报产生部700具有以下2种产生警报的判定基准,并将这些基准任意组合来决定是否产生警报。(例如,在下述条件1以及下述条件2双方都成立的情况下产生警报、在下述条件1以及下述条件2中任意一方成立的情况下产生警报等)。
条件1:最新的时刻的测量信号4脱离规定的范围(阈值)。
条件2:规定期间内的新类别的生成频率超过固定值(阈值)。
在由警报产生部700进行了产生警报的判定的情况下,警报产生部700将警报信号15发送至外部输出接口220。警报信号15通过外部输出接口220转换为图像显示信息17,并显示在图像显示装置950中。
在本实施例中,使用图像显示装置950来与运转人员对警报进行通讯,但是并不限定于此,首先,可以通过产生警报音来使运转人员注意到警报的产生。此外,也可以设定为,在产生警报音后,或者与警报音的产生同时地,在图像显示装置950中显示图像显示信息17。
诊断结果可视化部800包括原因项目提取部810以及关联项目提取部820。另外,在本实施例中,在诊断结果可视化部800中包括原因项目提取部810以及关联项目提取部820这两个部分,但是也可以仅仅包括原因项目提取部810。
在原因项目提取部810中,使用保存在分类结果数据库330中的分类结果11、和保存在诊断结果数据库340中的诊断结果13来提取成为产生新类别的原因的数据项目。后面使用图8A、8B、以及8C来说明原因项目提取部810的处理内容。
此外,在关联项目提取部820中,至少使用保存在控制逻辑数据库350中的控制逻辑信息18、或者保存在设计信息数据库360中的设计信息19来提取与由原因项目提取部810提取出的数据项目相关联的数据项目。后面使用图9A以及9B来说明关联项目提取部820的处理内容。
将由原因项目提取部810以及关联项目提取部820提取出的数据项目作为提取数据项目信息20发送至处理数据提取部400。
处理数据提取部400具有从保存在测量信号数据库310中的信息中提取包含在提取数据项目信息20中的数据项目的测量信号5的功能。
此外,将由原因项目提取部810以及关联项目提取部820提取出的数据项目、作为这些数据项目的测量值的基准信号8、以及在提取数据项目时对信息进行处理而得到的结果作为诊断结果显示信息16发送至外部输出接口220。通过外部输出接口220将诊断结果显示信息16转换为图像显示信息17,并显示在图像显示装置950中。
此外,保存在测量信号数据库310、基准信号数据库320、分类结果数据库330、诊断结果数据库340、控制逻辑数据库350、以及设计信息数据库360中的诊断装置信息50能够显示在图像显示装置950中。此外,这些信息也能够按照需要而使用外部输入装置900进行修正。
另外,在本实施例中,处理数据提取部400、分类部500、诊断部600、警报产生部700、诊断结果可视化部800、测量信号数据库310、基准信号数据库320、分类结果数据库330、诊断结果数据库340、控制逻辑数据库350、设计信息数据库360全都处于诊断装置200的内部,但是也可以将它们中的一部分配置在诊断装置200的外部,并仅仅对数据进行通信。
此外,在本实施例中,作为诊断对象的设备100是1台,但是也能够由1台诊断装置200来对多台设备100进行诊断。
图2A以及2B是表示图1的诊断装置200的基本动作的流程图。图2A是表示正常状态学习模式的图,图2B是表示诊断模式的图。
以下,也使用图1记载的构成要素来进行说明。
诊断装置200具有以下2个基本动作:以保存在基准信号数据库320中的信息为基础将正常时的数据分类为类别的正常状态学习模式、以及对设备100的状态进行诊断的诊断模式。
在图2A中,正常状态学习模式通过按顺序进行步骤1000以及1010来执行。
首先,在步骤1000中,使处理数据提取部400进行动作,从测量信号数据库310的测量信号5中提取诊断信号6。将诊断信号6保存在基准信号数据库320中。保存在基准信号数据库320中的数据是由操作员(运转人员)将设备100的运转状态判定为正常的期间的数据。
接着,在步骤1010中,使分类部500进行动作,对保存在基准信号数据库320中的基准信号7进行分类,将分类结果9保存在分类结果数据库330中。
在图2B所示的诊断模式中,通过按顺序进行步骤1100、1110、1120、1130、1140、以及1150来执行。
首先,在步骤1100中,经由外部输入接口210将来自设备100的测量信号1取入诊断装置200中,并将测量信号3保存在测量信号数据库310中。
接着,使处理数据提取部400进行动作,从测量信号数据库310中提取测量信号5,并将时刻为最新的诊断信号6发送至诊断部600。
在步骤1110中,使诊断部600进行动作,将诊断结果12发送至诊断结果数据库340中。
在步骤1120中,至少使诊断结果可视化部800进行动作,在步骤1110中在产生了新类别的情况下,提取成为其原因的数据项目。另外,后面使用图7来说明步骤1120的详细情况。
在步骤1130中,通过外部输出接口220将诊断结果可视化部800所输出的诊断结果显示信息16转换为图像显示信息17,并将其输出至图像显示装置950。
在步骤1140中,使警报产生部700进行动作,判定能否产生警报。在步骤1140中为能够产生警报的情况下进入步骤1150。另一方面,在不能产生警报的情况下结束。
在步骤1150中,通过外部输出接口220将警报产生部700所输出的警报信号15转换为图像显示信息17,并将其输出至图像显示装置950。由此,向设备100的操作员(运转人员)通知警报。
图3A、3B、以及3C是说明执行诊断装置200的正常状态学习模式的流程图(图2A)以及诊断模式的流程图(图2B)的定时的图。
诊断装置200按照每个取样周期从设备100获取测量信号1。
在图3A中,按照每个取样周期使正常状态学习模式以及诊断模式双方进行动作来进行诊断。
此外,在图3B中,按照规定的每个设定期间使正常状态学习模式进行动作,按照每个取样周期仅仅使诊断模式进行动作来进行诊断。
进一步地,在图3C中,操作员实施对学习期间和诊断期间进行设定的操作,按照该定时来使正常状态学习模式以及诊断模式进行动作。
图4A是表示图1的分类部500以及诊断部600的实施例的方框图。
以下,说明在分类部500以及诊断部600中应用自适应共振理论(Adaptive Resonance Theory:ART)的情况,但是也能够使用矢量量化等其他聚类(clustering)方法。
在本图中,分类部500以及诊断部600由数据预处理装置610以及ART模块620构成。数据预处理装置610将运转数据转换为ART模块620的输入数据。
以下,说明该步骤(工序)。
首先,按照每个测量项目来计算最大值以及最小值。使用计算出的最大值以及最小值来对数据进行标准化。
这里,以设备的处理量xi为例来说明标准化的方法。
设xi的数据数为N个,并设第n个测量值为xi(n)。此外,若将N个数据中的最大值以及最小值分别设为Max_i、Min_i,则标准化后的数据Nxi(n)由下面式子(1)来表示。
【数1】
Nxi(n)=α+(1-α)×(xi(n)-Min_i)/(Max_i-Min_i) (1)
这里,α(0≤α<0.5)是常数,通过上述式子(1),数据被标准化为[α,1-α]的范围。
接着,计算标准化后的数据的补数,并加在输入数据中。
标准化数据Nxi(n)的补数CNxi(n)由下面式子(2)计算。
【数2】
CNxi(n)=1-Nxi(n) (2)
接着,将包含数据Nxi(n)以及CNxi(n)在内的数据作为输入数据输入至ART模块620中。
以上的步骤包含在在数据预处理装置610中进行的运转数据向ART模块620的输入数据转换处理中。
在ART模块620中,将输入数据分类为多个类别。
ART模块620包括:F0层621、F1层622、F2层623、存储器624、以及选择子***625,这些部分相互结合。F1层622以及F2层623经由权重系数进行结合,权重系数表示对输入数据进行分类的类别的原型(prototype)。这里,所谓原型表示类别的代表值。
接着,说明ART模块620的算法。
将输入数据输入至ART模块620的情况下的算法的概要如下面处理1~处理5所示。
处理1:通过F0层621对输入向量进行标准化,去除噪声。
处理2:通过对输入至F1层622的输入数据和权重系数进行比较,来选择合适的类别的候补。
处理3:通过与参数ρ之比来评价由选择子***625选择出的类别的妥当性。判断为妥当时,将输入数据分类为该类别,进入处理4。另一方面,未判断为妥当时,清除(reset)该类别,并从其他类别中选择合适的类别的候补(重复进行处理2)。增大参数ρ的值时,类别的分类变细,减小ρ的值时,分类***。将该参数ρ称为警戒(vigilance)参数。
处理4:若在处理2中清除了所有的已经存在的类别,则判断为输入数据属于新类别,生成表示新类别的原型的新的权重系数。
处理5:若将输入数据分类为类别J,则与类别J相对应的权重系数WJ(new)使用过去的权重系数WJ(old)以及输入数据p(或者由输入数据派生的数据)通过下面式子(3)来更新。
【数3】
WJ(new)=Kw·p+(1-Kw)·WJ(old) (3)
这里,Kw是学习率参数(0<Kw<1),是决定使输入向量反映到新的权重系数上的程度的值。
ART模块620的数据分类算法的特征在于上述处理4。
在处理4中,在输入了与记录(保存)在图1的分类结果数据库330中的类型(pattern)不同的输入数据的情况下,能够不变更所记录的类型而记录新的类型。由此,能够一边记录过去学习过的类型,一边记录新的类型。
这样,在给出作为输入数据而预先给出的运转数据后,ART模块620学习所给出的类型。因此,在将新的输入数据输入至学习完成的ART模块620后,能够通过上述算法,来判定接近过去的哪个类型。此外,如果是在过去没有经历过的类型,则分类为新类别。
图4B是表示分类结果的一例的图表。
本图作为例子,表示测量数据中的2个项目,由二维的图表来记载。纵轴以及横轴对各个项目的测量数据进行标准化后来表示。
测量数据625由图4A的ART模块620分割为多个类别630(图4B所示的圆)。
在本图中,虽然针对2个项目的测量数据由二维的图表来表示,但是并不限定于此,也可以针对3个项目以上的测量数据使用多维坐标来进行类别的作成。
图5A、5B、5C、以及5D是表示保存在测量信号数据库310、基准信号数据库320、以及分类结果数据库330(2个的情况)中的数据的样式的图。这些图可以认为是图1的图像显示装置950的显示画面。
例如,在图5A的测量信号数据库的情况下,通过在显示画面55中使用能够进行纵横移动的滚动块56a以及56b,能够滚动显示广范围的数据。
如本图所示,在测量信号数据库310中,按照每个取样周期(纵轴的时刻)来保存由设备100测量到的多个数据项目(项目A、B、C等)的值。
此外,在图5B的基准信号数据库的情况下,通过选择表示基准1~3的数据表(data sheet)的标签57a、57b、以及57c,能够仅仅集中显示按每个基准分类后的项目。
另外,保存在分类结果数据库330以及诊断结果数据库340中的数据的样式相同。
在图1的处理数据提取部400中,从测量信号数据库310中提取在设备100的诊断中使用的数据组。
例如,在图5B中表示以下状态,即,基准信号的数据组为3个(“基准1”、“基准2”、以及“基准3”),作为基准的标签57a、57b、以及57c而选择“基准1”的情况下的数据组由项目A、项目C、以及项目D构成。
这样,在测量信号数据库310中,相对于将所有数据项目的测量值按照时间序列来保存为1个数据组的情况,在基准信号数据库320中,将限于按照基准来选择的数据项目的测量值按照时间序列来保存为多个数据组。
图5C以及5D是表示保存在图1的分类结果数据库330中的数据的样式的显示画面。
在图5C中,显示时刻与对该时刻的数据进行分类后的类别编号之间的关系。另一方面,在图5D中,显示类别编号与权重系数之间的关系。
在分类结果数据库330中,保存有保存在基准信号数据库320中的每个数据组的分类结果。
图6A是表示实施例的火力发电设备的方框图。
在本图中,火力发电设备100包括:燃气轮机发电机110、控制装置120、以及数据发送装置130。燃气轮机发电机110包括:发电机111、压缩机112、燃烧器113、以及涡轮114。
在发电时,由压缩机112将吸入的空气压缩为压缩空气,将该压缩空气送至燃烧器113,与燃料混合进行燃烧。使用通过燃烧而产生的高压气体使涡轮114旋转,通过发电机111进行发电。
在控制装置120中,按照电力需要而控制燃气轮机发电机110的输出。此外,控制装置120将由设置在燃气轮机发电机110中的传感器(未图示)测量到的运转数据102作为输入数据。运转数据102是吸气温度、燃料投入量、涡轮排气温度、涡轮转速、发电机发电量、涡轮轴振动等状态量,按照每个取样周期来测量。此外,也测量大气温度等气象信息。
在控制装置120中,使用这些运转数据102,计算用于控制燃气轮机发电机110的控制信号101。
信号数据发送装置130将包含由控制装置120测量到的运转数据102、以及由控制装置120计算出的控制信号101在内的测量信号1发送至诊断装置200。
图6B表示由于产生异常而使从图6A的设备100获取到的测量信号1发生变化的情况下的随时间变化的一例。
在横轴取时间,在纵轴取测量信号、类别编号、以及新类别的产生比例(生成频率)。数据I以及II分别与项目A以及B对应。
在该例子中,项目A是发电机输出,项目B是大气温度的测量信号。
在本图中,最初,项目A以及B稳定为大致固定值,但是在紧邻时刻t1之前,数据I(项目A)减少,接着,在紧邻时刻t1之后,数据II(项目B)增加。之后,数据II(项目B)减少,最终,数据I(项目A)以及数据II(项目B)一起增加。
此外,在到达时刻t1之前,项目A以及B的类别编号为1~4,是基准时类别、即正常类别。相对于此,在经过时刻t1后,项目A以及B的类别编号为5~7,成为表示产生异常的新类别。
伴随于此,从刚刚经过时刻t1之后开始,新类别的产生比例(产生频率)增加,以至于超过阈值而诊断为异常。这里,新类别的产生比例使用在规定期间产生的新类别的数目的移动平均来计算。
如果新类别的产生比例超过预先设定的阈值,则图1的警报产生部700发出警报。
在设备的状态发生变化而产生了异常的情况下,操作员为了准确应对,需要基于测量数据来推定其原因。
但是,在火力设备中,由于测量数百~数千的数据,所以在提取与状态变化有关系的数据的作业方面需要时间。
因此,在本发明中,通过使诊断装置200所具备的诊断结果可视化部800进行动作,能够提取成为产生新类别的原因的数据项目(原因数据项目)。
由此,能够对在设备的状态变化时应当确认的数据项目进行精简,能够大幅减轻操作员的作业。图2B的步骤1120以及1130相当于该功能。
图7是表示诊断结果可视化的基本动作的流程图,是图2B的步骤1120中的动作的详细情况。
在本图中,诊断结果可视化通过按照顺序进行步骤1200、1210、1220、1230、1240、1250、1260、以及1270来执行。
首先,在步骤1200中,使图1的原因项目提取部810进行动作,提取成为产生新类别的原因的数据项目。在原因项目提取部810中,使用保存在分类结果数据库330中的分类结果11和保存在诊断结果数据库340中的诊断结果13。后面使用图8A、8B、以及8C来说明原因项目提取部810的处理内容。
接着,在步骤1210中,判定能否提取关联项目。在提取关联项目的情况下,进入步骤1220,在不提取的情况下结束。另外,能否提取关联项目由操作员预先设定。
在步骤1220中,使关联项目提取部820进行动作,提取与由原因项目提取部810提取出的数据项目有关系的数据项目。在关联项目提取部820中,至少使用保存在控制逻辑数据库350中的控制逻辑信息18或者保存在设计信息数据库360中的设计信息19,来提取与由原因项目提取部810提取出的数据项目相关联的数据项目。后面使用图9A以及9B说明关联项目提取部的处理内容。
在步骤1230中,针对由关联项目提取部820提取出的数据项目判定能否再次评价。这里,所谓再次评价指的是使用包含由关联项目提取部820提取出的数据项目在内的信号使分类部500以及诊断部600进行动作来进行诊断。进行再次评价的情况下进入步骤1240,不进行再次评价的情况下结束。
在步骤1240中,使处理数据提取部400进行动作,从测量信号数据库310中提取由关联项目提取部820提取出的数据项目的数据。在步骤1250中,使分类部500进行动作,对由步骤1240提取出的数据进行分类。
在步骤1260中,使原因项目提取部810进行动作,提取在步骤1250中成为产生新类别的原因的数据项目。
在步骤1270中,对步骤1220~步骤1260的动作次数和阈值进行比较,在动作次数超过阈值的情况下结束,在这以外的情况下返回步骤1220。
另外,步骤1230的能否再次评价、以及步骤1270的阈值由操作员预先设定。
图8A、8B、以及8C是用于说明原因项目提取部810的动作的图,用于说明图7的步骤1200~步骤1270的动作内容。
图8A是表示原因项目提取部中的正常类别和新类别之间的关系的图表。在横轴取项目A,在纵轴取项目B。
图8B是表示实施例中的测量位置和测量值之间的关系的图表。在横轴取与流体相关的数据的测量位置,在纵轴取其测量值。
图8C是表示测量位置和补正系数之间的关系的一例的图表。在横轴取与流体相关的数据的测量位置,在纵轴取与各个测量位置相对应的补正系数f。
在ART中,如图8A所示,将基准时的数据分类为几个正常类别。在本动作中,在产生了新类别的情况下,计算成为对象的数据和正常类别之间的类似度,提取最类似(类似度最大)的正常类别。
类似度S使用例如下面式子(4)来计算,提取S最小(类似度最小)的正常类别。
【数4】
Sj=∑(Di-Wij)2 (4)
这里,i是用于识别数据项目的符号,1≤i≤n(n是数据项目总数)。此外,j是用于识别类别的符号,1≤j≤m(m是正常类别的总数)。进一步地,Sj是类似度,Di是成为对象的数据的数据项目i的值,Wij是类别j中的数据项目i的权重系数。
接着,使用例如下面式子(5)来计算各个数据项目的贡献度Ci。
【数5】
Ci=|Di-Wij| (5)
贡献度越高的数据项目,越远离正常类别,所以可以说是成为产生新类别的原因的数据项目。
在原因项目提取部810中,将贡献度比阈值高的数据项目作为原因数据项目来提取。另外,该阈值是由操作员事先设定的值。
另一方面,也可以不仅仅考虑与类别的距离,还考虑测量位置来对贡献度进行补正。
在图8B中,表示关于在设备100的某流路中流动的流体,测量从上游到下游的数据(测量值:例如温度)的情况。α、β、γ、以及ω表示从上游到下游的测量位置。
在本图中,由实线表示正常时,由虚线表示异常时。
在上游侧产生了异常的情况下,下游侧的测量值成为与正常时不同的值。
在本图的情况下,在测量位置β和γ之间产生异常。由于该影响,在γ以及ω的位置测量到的测量值发生变化。
在根据图8A所示的步骤来提取数据项目的情况下,虽然提取在γ以及ω的位置测量到的数据,但是其贡献度是相同程度。
但是,由于γ离产生了异常的场所较近,所以在产生了异常的原因的推定中,在γ的位置测量到的数据更重要。
因此,在该例子中,在原因项目提取部810中附加按照测量位置越位于上游则贡献度越大的方式进行补正的功能,能够将在γ的位置测量到的数据判断为更重要的数据项目。
图8C是其例子,从上游至下游使补正系数f逐渐减小。由此,能够增大上游侧的数据的贡献度。
针对进行了上述补正的情况下的贡献度Ci’,能够使用下面式子(6)来计算。
【数6】
Ci’=f·|Di-Wij| (6)
这里,f是补正系数。
在本实施例中,以与流体有关的数据产生了异常的情况为例进行了说明,但是并不限定于此,应用上述补正来计算贡献度的方法能够应用于从高温部向低温部的热传递、物质(包含气体、溶液中的溶质等)的扩散、振动(包含光、声音等)的传播等由于传递现象而使产生的异常事态传播(传递)的所有情况。在该情况下,将接近产生了异常事态的部位的测量位置称为上游侧的测量位置,将距离产生了异常事态的部位较远的测量位置称为下游侧的测量位置。
在本实施例中,使用ART来进行数据项目的提取,但是并不限定于此,只要是通过与本实施例相同的观点来进行贡献度的计算、以及与异常产生有关系的数据项目的提取的方法,则也可以使用ART以外的聚类方法。
另外,在图8A中,将类别表示为大致圆形形状,但是并不限定于此。
例如,图8D是表示作为数据项目的燃料使用量和火力发电机的发电量之间的关系的图表。在横轴取燃料使用量,在纵轴取发电量。
在本图的情况下,由于燃料使用量与发电量存在比例关系,所以在正常运转时,示出较强的相关关系(相关系数接近1)。在该情况下,图表中的类别626成为细长的椭圆形状。
此外,图8E是表示作为数据项目的燃烧器的温度和火力发电机的发电量之间的关系的图表。在横轴取燃烧器的温度,在纵轴取发电量。
在本图的情况下,在燃烧器的温度和发电量之间没有明确的关系,在正常运转时,不管发电量如何,燃烧器的温度都示出大致固定值。由此,该情况下的类别627也可以根据发电量的值而分类,并设为圆形形状。
图9A以及9B是用于说明图1的关联项目提取部820的动作的图。
图9A是表示项目间的控制逻辑的例子的方框线图。图9B是表示各项目的配置的例子的***图。
在图1的关联项目提取部820中,提取与由原因项目提取部810提取出的数据项目有关系的数据项目。
首先,在关联项目提取部820中,按照由原因项目提取部810计算出的贡献度从高到低的顺序来选择规定的数目的数据项目。
接着,使用保存在控制逻辑数据库350中的控制逻辑信息18、或者保存在设计信息数据库360中的设计信息19来提取与选择出的数据项目关联较深的数据项目(与选择出的数据项目有密切的关联的数据项目)。
使用图9A,说明保存在图1的控制逻辑数据库350中的控制逻辑信息18的例子。作为设备100的例子,使用图6A的火力发电设备。
在图1的控制逻辑数据库350中保存用于在图6A的控制装置120中根据运转数据102来计算控制信号101的控制逻辑图(数据)。
图9A是在图1的图像显示装置950的显示画面中表示在设备控制中广泛使用的比例/积分控制的控制逻辑图的例子。
在该显示画面中表示对项目A(运转数据)和设定值之间的误差进行比例积分运算来计算项目B(控制信号)的控制逻辑。
在之前由关联项目提取部820选择出的数据项目是图9A的项目B的情况下,认为成为对其进行计算的基础的项目A是与异常事态关联较深的数据项目(与异常事态具有密切的关联的数据项目)。因此,关联项目提取部820将项目A作为关联数据项目来提取。
图9B是在图1的图像显示装置950的显示画面中表示保存在图1的设计信息数据库360中的设计信息19的例子。
在图1的设计信息数据库360中保存有图6A的燃气轮机发电机110的设计信息,例如保存有表示流体的路径和传感器的配置部位(T:温度传感器、P:压力传感器)之间的关系的***图。
在之前由关联项目提取部820选择出的数据项目是图9B的项目E(温度)的情况下,认为在相同位置测量出的项目F(压力)与异常事态关联较深。此外,测量位置较近的项目C、D、G、H也估计与异常事态存在关联。因此,关联项目提取部将项目C、D、F、G、以及H作为关联数据项目来提取。
这里,所谓“与异常事态关联较深”是指在产生了异常事态的情况下较强地受到异常事态的影响,“与异常事态关联较深”的数据项目是测量到的数据直接示出异常事态的可能性高的项目(传感器等)。将这样的项目称为关联数据项目。
在本实施例中,项目A是总括的数据项目(运转数据)。此外,项目C、D、F、G、以及H是基于具体的***图等的设计信息的数据项目,是包含具体的传感器等的配置部位(测量位置)以及测量数据等在内的数据项目。
此外,在关联项目提取部820中,使用保存在基准信号数据库320中的基准信号8,能够求取以贡献度为基础而选择出的数据项目和其他的数据项目之间的相关系数,并提取相关系数比阈值更高的数据项目。
如图7所示,在步骤1220中提取出关联项目之后,使步骤1240、1250、以及1260进行动作,对由关联项目提取部820提取出的数据项目是否成为新类别的产生原因进行再次评价。
假设,在由关联项目提取部820提取出的数据项目与新类别的产生没有关系的情况下,由于使步骤1260进行动作时的贡献度变小,所以能够判断为是与异常没有关系的数据项目。因此,能够将该数据项目设为应当确认的数据项目的对象外,确认剩余的数据项目即可。
图10A、10B、以及10C表示在图像显示装置950的显示画面中显示贡献度等的例子。
图10A显示与数据项目和贡献度之间的关系相关的结果。
根据该关系,能够把握贡献度高的数据,能够精简在异常产生时应当确认的数据。
图10B是针对按照构成诊断对象(设备等)的每个要素机器来配置的测量器的数据项目,将贡献度相加后的结果(贡献度合计分值)的图像显示装置950的显示画面。在本图中,要素机器记载为机器1以及机器2。
在本图中,可知,对于贡献度的加法值来说,机器1比机器2高。这表示在机器1中产生异常的可能性较高。
此外,在本图中,也能够对贡献度的加法值较高的机器(该情况下,为机器1)进行高亮显示。由此,能够易于确定产生了异常的机器。
如果使用鼠标点击(选择)图10B的机器1,则如图10C所示,能够在图像显示装置950的显示画面中显示机器1的详细情况。
如图10C所示,机器1构成为包括1台泵以及4台测量器。也可以对由测量器测量出的数据项目中贡献度最大的测量器如图10C所示进行高亮显示。由此,能够确定产生了异常的部位。
如以上所述,通过在图像显示装置950的显示画面中显示关联数据项目的功能等,即使是不熟练的运转人员,也能够立即(容易地)判断在设备等中产生了异常的情况下应当确认的数据项目。
在以上的实施例中,说明了用于进行设备的诊断的装置或方法,但是成为诊断的对象(诊断对象)的设施并不限定于设备,能够应用于需要对由1个或多个测量器等发出的多个数据进行集中管理(控制)的设施中。
在该情况下,在本发明中也包括用于使计算机实现上述诊断装置的功能的程序、用于使计算机执行与上述诊断方法相关的步骤(工序)的程序、或者用于使计算机作为上述诊断装置的各个部分发挥功能的程序。此外,本发明也包括记录了上述各种数据或程序的计算机能读取的记录介质、数据库等。
根据本发明,能够自动提取与异常有关系的数据项目,缩短推定异常原因的时间。
工业可利用性
本发明作为设备等的诊断装置能够广泛应用于各种设备等中。
符号说明:
100设备,200诊断装置,210外部输入接口,220外部输出接口、310测量信号数据库,320基准信号数据库,330分类结果数据库,340诊断结果数据库,350控制逻辑数据库,360设计信息数据库,400处理数据提取部,500分类部,600诊断部,700警报产生部,800诊断结果可视化部,810原因项目提取部,820关联项目提取部,900外部输入装置,910键盘,920鼠标,950图像显示装置
Claims (7)
1.一种诊断装置,包括:
测量信号数据库,其保存诊断对象的测量信号;
处理数据提取部,其从上述测量信号数据库中提取为了对上述诊断对象的状态进行诊断而使用的诊断信号;
基准信号数据库,其保存上述诊断信号;
分类部,其将保存在上述基准信号数据库中的数据分类为类别;
分类结果数据库,其将上述类别作为正常类别而保存;
诊断部,其在由上述处理数据提取部提取出的最新的上述诊断信号不属于保存在上述分类结果数据库中的上述正常类别的情况下,产生与上述类别不同的新类别来进行分类;
诊断结果数据库,其保存由上述诊断部分类而得到的分类结果;以及
警报产生部,其使用上述诊断结果数据库和上述正常类别的信息,在上述新类别的生成频率超过阈值的情况下产生警报,
该诊断装置的特征在于,
具有诊断结果可视化部,该诊断结果可视化部作成用于将产生上述新类别的原因进行可视化的诊断结果显示信息,上述诊断结果可视化部包括原因项目提取部,该原因项目提取部提取作为上述原因的数据项目,
上述原因项目提取部,计算上述正常类别与分类为上述新类别的数据之间的类似度,将上述类似度最大的上述正常类别作为类似度最大类别来提取,使用上述类似度最大类别和分类为上述新类别的数据来计算各自的上述数据项目的距离,以作为对上述新类别的产生的贡献度,并将上述贡献度比上述阈值高的上述数据项目作为原因数据项目来提取。
2.根据权利要求1所述的诊断装置,其特征在于,
上述诊断装置还包括:
控制逻辑数据库,其保存用于控制上述诊断对象的控制逻辑信息;以及
设计信息数据库,其保存上述诊断对象的设计信息,
上述诊断结果可视化部包括:
上述原因项目提取部;以及
关联项目提取部,其从上述控制逻辑数据库或上述设计信息数据库中提取与上述数据项目具有密切的关联的关联数据项目。
3.根据权利要求2所述的诊断装置,其特征在于,
上述原因项目提取部具有进行补正的功能,该补正对所产生的异常事态由于传递现象而传播的情况下的上游侧的测量位置上的上述数据项目或上述关联数据项目增大上述贡献度。
4.根据权利要求2或3所述的诊断装置,其特征在于,
上述诊断装置还包括图像显示部,上述图像显示部能够显示上述数据项目和上述贡献度之间的关系。
5.根据权利要求4所述的诊断装置,其特征在于,
上述图像显示部能够显示按照构成上述诊断对象的每个要素机器将上述数据项目的上述贡献度相加而得到的结果。
6.一种诊断方法,其特征在于,包括:
第一工序,从保存诊断对象的测量信号的测量信号数据库中提取为了对上述诊断对象的状态进行诊断而使用的诊断信号;
第二工序,将上述诊断信号分类为类别;
第三工序,在最新的上述诊断信号不属于上述类别的情况下,产生与上述类别不同的新类别来进行分类;
第四工序,提取成为产生上述新类别的原因的数据项目;以及
第五工序,提取与上述数据项目具有密切的关联的关联数据项目,
在上述第四工序中,计算上述类别与分类为上述新类别的数据之间的类似度,将上述类似度最大的上述类别作为类似度最大类别来提取,使用上述类似度最大类别和分类为上述新类别的数据来计算各自的上述数据项目的距离,以作为对上述新类别的产生的贡献度,并将上述贡献度比阈值高的上述数据项目作为原因数据项目来提取。
7.根据权利要求6所述的诊断方法,其特征在于,
上述诊断方法重复进行上述第一工序至上述第五工序。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2010/000360 WO2011089649A1 (ja) | 2010-01-22 | 2010-01-22 | 診断装置及び診断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102713777A CN102713777A (zh) | 2012-10-03 |
CN102713777B true CN102713777B (zh) | 2015-07-01 |
Family
ID=44306473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201080061856.XA Active CN102713777B (zh) | 2010-01-22 | 2010-01-22 | 诊断装置及诊断方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP5292477B2 (zh) |
CN (1) | CN102713777B (zh) |
WO (1) | WO2011089649A1 (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103674281A (zh) * | 2012-09-21 | 2014-03-26 | 杭州美盛红外光电技术有限公司 | 诊断装置和诊断方法 |
JP6523815B2 (ja) * | 2015-06-22 | 2019-06-05 | 株式会社日立製作所 | プラント診断装置及びプラント診断方法 |
JP6685124B2 (ja) * | 2015-12-22 | 2020-04-22 | 株式会社日立製作所 | 診断装置及び診断方法 |
EP3403152B1 (en) * | 2016-03-09 | 2023-07-12 | Siemens Aktiengesellschaft | Smart embedded control system for a field device of an automation system |
MY196229A (en) | 2016-03-15 | 2023-03-24 | Hitachi Ltd | Abnormality Diagnostic System |
JP6426667B2 (ja) * | 2016-08-10 | 2018-11-21 | 三菱重工工作機械株式会社 | 工作機械の工具の異常検知装置及び方法 |
WO2018051568A1 (ja) * | 2016-09-15 | 2018-03-22 | 株式会社日立製作所 | プラント異常診断装置及びプラント異常診断システム |
JP6951202B2 (ja) * | 2017-11-13 | 2021-10-20 | 株式会社日立製作所 | データ分類装置 |
FR3076267B1 (fr) * | 2018-01-04 | 2020-01-17 | Safran Electronics & Defense | Procede pour diagnostiquer un etat d'usure d'un frein de parking d'aeronef |
JP6790006B2 (ja) * | 2018-02-27 | 2020-11-25 | 三菱重工マリンマシナリ株式会社 | 状態診断装置、状態診断方法、及び状態診断プログラム |
MX2021001101A (es) * | 2018-07-31 | 2021-03-31 | Nissan Motor | Dispositivo de determinacion de anormalidad y metodo de determinacion de anormalidad. |
JP2020119267A (ja) * | 2019-01-24 | 2020-08-06 | 株式会社荏原製作所 | 情報処理装置、情報処理プログラム、および情報処理方法 |
JP7272020B2 (ja) * | 2019-03-13 | 2023-05-12 | オムロン株式会社 | 表示システム |
KR102295879B1 (ko) * | 2019-04-25 | 2021-08-31 | 울산대학교 산학협력단 | 실시간 튜브 누설 상태 인지 방법 및 시스템 |
JP2021149727A (ja) * | 2020-03-23 | 2021-09-27 | 本田技研工業株式会社 | 要因分析装置および要因分析方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201017233Y (zh) * | 2006-11-23 | 2008-02-06 | 浙江大学 | 基于小波分析的工业生产过程故障诊断装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08287378A (ja) * | 1995-04-10 | 1996-11-01 | Hitachi Ltd | プラント監視装置 |
JPH1049206A (ja) * | 1996-07-31 | 1998-02-20 | Kobe Steel Ltd | シーケンスプログラム作成装置 |
JP2002330229A (ja) * | 2001-05-01 | 2002-11-15 | Omron Corp | 情報収集装置 |
JP2004198383A (ja) * | 2002-12-20 | 2004-07-15 | Fuji Xerox Co Ltd | 音源分析装置 |
JP4430384B2 (ja) * | 2003-11-28 | 2010-03-10 | 株式会社日立製作所 | 設備の診断装置及び診断方法 |
-
2010
- 2010-01-22 JP JP2011550718A patent/JP5292477B2/ja active Active
- 2010-01-22 WO PCT/JP2010/000360 patent/WO2011089649A1/ja active Application Filing
- 2010-01-22 CN CN201080061856.XA patent/CN102713777B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201017233Y (zh) * | 2006-11-23 | 2008-02-06 | 浙江大学 | 基于小波分析的工业生产过程故障诊断装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2011089649A1 (ja) | 2011-07-28 |
CN102713777A (zh) | 2012-10-03 |
JPWO2011089649A1 (ja) | 2013-05-20 |
JP5292477B2 (ja) | 2013-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102713777B (zh) | 诊断装置及诊断方法 | |
CN102999038B (zh) | 发电设备的诊断装置、以及发电设备的诊断方法 | |
CN102576227B (zh) | 设备诊断装置 | |
US11403160B2 (en) | Fault predicting system and fault prediction method | |
Byington et al. | Prognostic enhancements to diagnostic systems for improved condition-based maintenance [military aircraft] | |
JP5129725B2 (ja) | 装置異常診断方法及びシステム | |
JP6088131B2 (ja) | タービン性能診断システム及び方法 | |
CN102870057B (zh) | 机械设备的诊断装置、诊断方法及诊断程序 | |
KR101508641B1 (ko) | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 | |
JP5427107B2 (ja) | 監視診断装置および監視診断方法 | |
JPWO2012073289A1 (ja) | プラントの診断装置及びプラントの診断方法 | |
CN104756029B (zh) | 一种监控设备的部件组的*** | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
EP2541358B1 (en) | Method, monitoring system and computer program product for monitoring the health of a monitored system utilizing an associative memory | |
Kirchen et al. | Metrics for the evaluation of data quality of signal data in industrial processes | |
JP2012058885A (ja) | 故障原因診断方法及び故障原因診断装置 | |
CN104011750A (zh) | 对技术***进行处理 | |
JP2013515187A (ja) | 圧縮機を診断するための方法およびシステム | |
JP2013041491A (ja) | 異常診断装置 | |
WO2019003703A1 (ja) | 診断装置及び診断方法 | |
JP2017117034A (ja) | 診断装置及び診断方法 | |
JP2020107248A (ja) | 異常判定装置および異常判定方法 | |
Henry et al. | An equivalent age model for condition-based maintenance | |
JP2015232914A (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
JP2013041490A (ja) | 異常診断装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |